Setiap manusia akan dinyatakan sakit ketika ia mengalami gejala tertentu, yang timbul akibat infeksi pada tubuh, sehingga kita dapat mengetahui jenis penyakit dari gejala-gejala tersebut. Umumnya penderita akan pergi ke dokter untuk mengetahui secara pasti jenis penyakit yang dideritanya. Namun karena kendala biaya, waktu dan jarak, penderita sakit biasanya enggan pergi ke dokter. Pada penelitian ini telah dibangun sebuah sistem yang dapat mengklasifikasikan penyakit. Penklasifikasian dilakukan dengan menggunakan metode Naïve Bayes, yaitu dengan menghitung probabilitas dari setiap penyakit berdasarkan informasi gejala-gejala sakit dari pengguna. Sistem akan menentukan penyakit dengan nilai probabilitas paling besar sebagai hasil deteksi penyakit. Sistem ini memberikan hasil deteksi penyakit dengan tingkat keakuratan sebesar 95% s/d 100% terhadap data yang digunakan, apabila jumlah masukan pada sistem lebih dari tiga gejala. Sedangkan jika masukan kurang dari tiga gejala akurasinya hanya 45%. Dan penerapan sistem pada perangkat android mendapatkan respon sangat positif dari pengguna sebesar 73,33%.

Every human that convicted sick when they certain symtoms, it caused by infection inside their body. With that we can find out the types of diseases by using information from the symptoms. In most cases the patient will go to seen the doctor for find out the disease they suffer. However there some obstacles such as cost, time and distance, patient reluctant to go to the doctor. In this research has been built a system that can clarifying the type of disease. The system using naive bayes method. That is count the probability for each diseases based on the information of the symptoms from the patient. This system will determine the disease based on the greatest value of probability as the result of the disease detection. This system give the result with accuracy level between 95-100 percent for more than 3 inputs. But if the input is less than 3 then the accuracy is 45℅. And the application of system on android device get positive response from user 73.33 percent.

https://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-dillayulia-37185